Featured Work
代表项目
我选择了两个最能代表自己 AI PM 思考方式的 agent 项目。一个聚焦内容生成，一个聚焦信息获取与情报综合。
主打项目
项目 01 · 辩知 AI（Debate Agent）
华语辩论稿 AI 生成器——已上线
面向中学生 / 大学生辩手的 AI 写稿工具，覆盖立论 / 驳论 / 质询 / 结辩四类稿件。基于 RAG 架构接入实时联网检索，论据自带数字角标与可溯源链接，从源头治理"AI 造假"。
试用辩知 AI · 点击直接体验
打开即用，无需 API Key
Next.js 15
Tavily 实时检索
Kimi / GPT-5 / Claude 多模型
数字角标引用
RAG 防幻觉
用户痛点
辩手用通用 AI 写稿，常见三大问题：数据造假、逻辑跳脱、攻防脱节。通用模型不理解辩论这个垂直领域的思维方式，也不知道"输在哪一句"。
产品方案
按备赛链路拆成四个稿件 Tab + 三类协作能力：检索层（Tavily RAG 联网取证）+ 生成层（多模型可切换、数字角标引用）+ 修改层（对当前 Tab 发出自然语言指令进行迭代改写）。
我的角色（PM + 独立搭建）
- 痛点洞察：结合自身辩论教练经验 + 对 20+ 名用户的深度访谈
- 端到端产品设计：Tab 结构、持方切换、RAG 开关、修改对话流、引用角标呈现
- 以 RAG 架构从源头控制幻觉，强制论据携带可溯源链接（正文带 ¹ ² ¹⁴ 数字角标直跳原文）
- 多模型策略：默认 Kimi 稳定版，支持切到 GPT-5 / Claude / DeepSeek 应对不同风格
- 零门槛策略：内置演示额度，让面试 / 冷启用户 0 配置即可体验
- 150 名辩手内测 · NPS +72 · Badcase 归因驱动下一轮迭代
72%
NPS（早期试点）
150
辩手试用 · 多所高校
技术沉淀
RAG 防幻觉 + 多 Agent 协作 + CoT 深度优化，方法论可迁移至企业知识库问答、客服系统、复杂工作流编排。
下一步迭代
用 vibe coding 工具（Lovable）做独立 App，知识库升级为动态知识图谱 + 对抗式训练 + 数据闭环。
Skill Artifact · Prompt Engineering
辩论 Skill：把领域方法论封装成可交付的 Prompt 产品
为了让 Agent 真正理解"辩论"这个垂直领域，我把教练经验系统化为一份 SKILL.md（405 行）——它既是 Claude Agent Skill 格式的标准产物，也是我对"PM 如何设计 prompt"这件事的完整答卷。
禁止虚构红线
最高优先级规则：所有数据必须来自真实搜索，标注出处，搜不到就标记 [待补充来源]，从源头治理 AI 幻觉。
三大赛制覆盖
世锦赛 / 世界杯 / 新国辩三套主流赛制结构化编码，流程、时间、规则差异一目了然——让模型精确匹配用户场景。
四辩位工作流
一辩立论 / 二辩质询 / 三辩盘问 / 四辩结辩，每个辩位拆成"结构 + 时间 + 写作要求 + 论据搜索"的结构化 prompt。
可评估输出
每条论据格式化为"主张 → 推理 → 证据（来源）"三段式，输出可直接被人工校验，降低 review 成本。
--- name: debate-assistant description: 华语辩论赛全流程写作助手。覆盖立论、质询、 驳论、自由辩、结辩稿的撰写与打磨。严禁虚构数据/ 案例，所有论据必须通过网络搜索获取真实来源。 --- # 🚫 核心红线：禁止虚构 这是最高优先级规则，绝不允许违反： 1. 所有数据、案例、引用必须来自真实来源 2. 每条论据必须标注出处（作者 / 机构、年份、链接） 3. 搜不到可靠来源的，直接标记 [待补充来源] ## 🔁 核心工作流 # Step 0 辩题解析 → Step 1 立论稿 # Step 2 质询 / 盘问稿 → Step 3 驳论稿 # Step 4 自由辩稿 → Step 5 结辩稿
为什么这份 Skill 是 AI PM 的硬证据？
- 领域翻译：把"辩论教练"这种隐性经验显性化为可执行 Prompt——PM 把场景翻译成模型能理解的语言，是 AI 产品最关键的一步。
- 系统化建模：3 套赛制 × 4 个辩位 × 5 种稿件，不是拍脑袋写提示词，而是先建模再写 Prompt。
- 幻觉治理：核心红线写在最前、强制搜索、要求标注来源——用产品规则约束模型行为，而不是期待模型"自己别乱编"。
- 可交付：标准 Agent Skill 格式，可被 Claude Code / Agent 平台直接加载使用，不是 PPT 概念。
已在线部署，可直接在浏览器预览或下载原始 Markdown。
项目 02 · Intelligence Agent
面向 AI PM 的情报汇总 Agent（概念原型）
面向"AI 产品人需要持续追踪前沿"的真实痛点，我做了一个情报工作流的概念原型：把分散的模型更新、产品动作、行业信号，自动汇总成结构化、可对比、可行动的情报简报。
AI 情报
研究工作流
战略综合
概念原型
场景
借鉴大型科技公司内部"AI 情报跟踪"的真实需求形态做抽象与脱敏——团队需要持续消化前沿动态，但纯搜索无法满足"高频 / 连续 / 可比较"三件事。本项目内容为概念原型，不涉及任何真实企业数据或资料。
产品价值
把碎片信息压缩成"最新动态 / 趋势分类 / 竞争动作 / 对策略的潜在影响"四段式简报，让情报从"读得到"变成"用得上"。
我的角色
- 需求抽象：把企业级情报跟踪的真实痛点剥离敏感信息，提炼为通用工作流
- 工作流设计：信息收集 → 聚类归纳 → 结构化洞察 → 可行动摘要
- 输出规范：定义情报 schema 与可读性强的展示形式（简报 / 卡片 / 对比表）
- 完成概念验证（PoC）与产品叙事包装，可作为面试 / 立项材料
Pipeline · 情报四步工作流
01
信息收集
模型发布 / 产品更新 / 行业公告多源抓取
02
聚类归纳
按主题 / 厂商 / 能力维度去重与合并
03
结构化洞察
输出趋势判断、竞争动作与策略含义
04
可行动简报
压缩为四段式卡片，支持订阅 / 分发
输出 schema：最新动态 / 趋势分类 / 竞争动作 / 对产品策略的潜在影响